Том 37, номер 04, статья № 4

Аннотация:

В ходе технологического развития общества неизбежно возникает проблема нарушения экологического состояния окружающей среды, например в водоемах. Для своевременного реагирования на изменения концентраций различных загрязнителей в природных водоемах необходимо разработать экспрессный дистанционный метод. Создание такого метода возможно на основе спектроскопии комбинационного рассеяния света, однако в ходе разработки возникает большое количество различных сложностей, в частности касающихся способа предобработки полученных данных. В настоящей статье представлены результаты применения методов машинного обучения для разработки дистанционного метода определения по спектрам комбинационного рассеяния света типа и концентрации растворенных ионов в водных средах. Использование искусственных нейронных сетей позволило идентифицировать и одновременно определить концентрации каждого из восьми ионов (Zn²⁺, Cu²⁺, Li⁺, Fe³⁺, Ni²⁺, NH₄⁺, SO₄², NO₃^–) в многокомпонентной водной смеси с погрешностями, удовлетворяющими потребностям экологического мониторинга природных и сточных вод. Обнаружено существенное влияние способа предобработки спектров комбинационного рассеяния на результат решения обратной спектроскопической задачи. Полученные результаты могут использоваться для решения многопараметрической обратной задачи качественного и количественного определения ионов в воде.

Ключевые слова:

спектроскопия комбинационного рассеяния, диагностика сточных вод, методы машинного обучения, предобработка спектров, искусственные нейронные сети

Список литературы:

1. Зилов Е.А. Гидробиология и водная экология: учеб. пособие. Иркутск: Иркут. ун-т, 2007. 147 с.
2. Тихомирова В., Смирнова П. Загрязнение поверхностных и сточных вод Российской Федерации тяжелыми металлами // Междунар. науч.-исслед. журн. 2022. Т. 10. С. 1–5.
3. Бактыбаева З.Б., Сулейманов Р.А., Валеев Т.К., Рахматуллин Н.Р. Эколого-гигиеническая оценка загрязнения поверхностных и подземных вод в Зауралье республики Башкортостан // Здоровье населения и среда обитания. 2017. Т. 7, № 292. С. 14–17.
4. Costa M. Review of arsenic toxicity, speciation and polyadenylation of canonical histones // Toxic. Appl. Pharmacology. 2019. V. 375. P. 1–4.
5. Azevedo E., Dias C., Dantas R., Sadok D., Fernandes S., Simoes R., Kamienski C. Profiling core operations for elasticity in cloud environments // 2012 IEEE Latin America Conference on Cloud Computing and Communications (LatinCloud), Porto Alegra, Brazil, 2012. P. 43–48.
6. Guo H., Liu H., Wu H., Cui H., Fang J., Zuo Z., Deng J., Li Y., Wang X., Zhao L. Nickel carcinogenesis mechanism: DNA damage // Intern. J. Mol. Sci. 2019. V. 20, N 19. P. 4690.
7. Rehman K., Fatima F., Waheed I., Akash M. Prevalence of exposure of heavy metals and their impact on health consequences // J. Cell. Biochem. 2017. V. 119, N 1. P. 157–184.
8. Cobbina S., Chen Y., Zhou Z., Wu X., Zhao T., Zhang Z., Feng W., Wang W., Li Q., Wu X., Yang L. Toxicity assessment due to sub-chronic exposure to individual and mixtures of four toxic heavy metals // J. Hazard. Mat. 2015. V. 294. P. 109–120.
9. Li Z., Deen M., Kumar S., Selvaganapathy P. Raman spectroscopy for in-line water quality monitoring – instrumentation and potential // Sensors. 2014. V. 14, N 9. P. 17275–17303.
10. Li Z., Wang J., Li D. Applications of Raman spectroscopy in detection of water quality // Appl. Spectrosc. Rev. 2015. V. 51, N 4. P. 333–357.
11. Шаманаев В.С. Гидрооптические сигналы поляриза­ционного самолетного лидара при зондировании однородной толщи морской воды // Оптика атмосф. и океана. 2020. Т. 33, № 7. С. 516–521; Shamanaev V. Hydrooptical signals of an airborne polarization lidar for sensing the homogeneous sea water depth // Atmos. Ocean. Opt. 2020. V. 33. P. 616–621.
12. Климкин А.В., Карапузиков А.А., Коханенко Г.П., Куряк А.Н., Осипов К.Ю., Пономарев Ю.Н., Чжан Ш. Использование длинноволнового диапазона для дистанционного зондирования атмосферного аэрозоля // Оптика атмосф. и океана. 2020. Т. 33, № 3. С. 205–208; Klimkin A., Karapuzikov A., Kokhanenko G., Kuryak A., Osipov K., Ponomarev Yu., Zhang S. Use of the long-wave range for remote sensing of atmospheric aerosols // Atmos. Ocean. Opt. 2020. V. 33. P. 383–386.
13. Пацаева С.В., Доленко Т.А., Буриков С.А., Южаков В.И. Дистанционное определение содержания органических растворителей в бинарных смесях методом спектроскопии комбинационного рассеяния // Оптика атмосф. и океана. 2014. Т. 27, № 4. С. 284–290; Patsaeva S.V., Dolenko T.A., Burikov S.A., Yuzhakov V.I. Remote measurements of concentration of organic solvents in binary mixtures using Raman spectroscopy // Atmos. Ocean. Opt. 2014. V. 27, N 4. P. 291–296.
14. Mosier-Boss P., Lieberman S. Detection of nitrate and sulfate anions by normal raman spectroscopy and SERS of cationic-coated, silver substrates // Appl. Spectrosc. 2000. V. 54, N 8. P. 1126–1135.
15. Burikov S., Dolenko T., Velikotnyi P., Sugonyaev A., Fadeev V. The effect of hydration of ions of inorganic salts on the shape of the Raman stretching band of water // Opt. Spectrosc. 2005. V. 98, N 2. P. 235–239.
16. Ahmed M., Namboodiri V., Singh A., Mondal J., Sarkar S. How ions affect the structure of water: A combined Raman spectroscopy and multivariate curve resolution study // J. Phys. Chem. B. 2013. V. 117, N 51. P. 16479–16485.
17. Лаптинский К., Буриков С., Сарманова О., Вервальд А., Утегенова Л., Пластинин И., Доленко Т. Диагностика вредных примесей в водных средах с помощью спектроскопических методов и алгоритмов машинного обучения // Опт. и спектроскоп. 2023. Т. 131, № 6. С. 810–816.
18. Qi Y., Hu D., Jiang Y., Wu Z., Zheng M., Chen E., Liang Y., Sadi M., Zhang K., Chen Y. Recent progresses in machine learning assisted Raman spectroscopy // Adv. Opt. Mat. 2023. V. 11, N 14.
19. Zhang W., Kasun L., Wang Q., Zheng Y., Lin Z. A review of machine learning for near-infrared spectroscopy // Sensors. 2022. V. 22, N 24. P. 9764.
20. Dolenko S., Burikov S., Dolenko T., Efitorov A., Gushchin K., Persiantsev I. Neural network approaches to solution of the inverse problem of identification and determination of partial concentrations of salts in multi-сomponent water solutions // Lec. Notes Comp. Sci. 2014. V. 8681. P. 805–812.
21. Долина Л. Современная техника и технологии для очистки сточных вод от солей тяжелых металлов. Днепропетровск: Континент, 2008. 227 с.
22. Dolenko T., Burikov S., Vervald E., Efitorov A., Laptinskiy K., Sarmanova O., Dolenko S. Improvement of reliability of molecular DNA computing: Solution of inverse problem of Raman spectroscopy using artificial neural networks // Laser Phys. 2017. V. 27, N 2. P. 025203.